随着Web2.0的高速发展和迅速普及,大量数据应运而生,其中蕴含着各个领域的新知识。知识图谱（Knowledge Graph,KG）作为结构化的语义知识库,需要不断将这些新增知识实时、准确地添加到现有知识库中,有助于实时反映知识的演化更新。因此,时序KG增量构建可以用来描述知识库中的增量式概念及其演化过程,为搜索引擎、问答系统和推荐系统等应用提供了良好的支撑,并且对金融、医疗和少数民族等领域的知识库构建具有重要意义。然而,如何快速地将新知识增量更新到现有KG中,如何准确地从新知识中抽取出与现有KG相关的新三元组集合,以及如何利用现有的专家知识实现时序KG的增量构建可视化过程,成为了本文需要解决的关键问题。为此,本文以随时间的推移所新产生的数据作为新知识,从中抽取出与当前KG相关的新三元组集合,并将其增量更新到现有KG中,进而实现增量构建的可视化原型系统。本文的研究工作主要包括如下几个方面:1.给出时序KG的定义,然后基于TransH表示学习模型提出一种时序KG的增量构建算法,通过不断将新知识嵌入到现有KG的向量空间中,从而完成时序KG的增量更新。2.基于三元组与当前KG的模型吻合度和语义吻合度,分别提出了吻合度计算模型和基于SVD的快速检索算法,从而计算出大量新三元组的吻合度,然后提出基于贪心思想的最优三元组子集提取算法,抽取出能够添加到当前KG中最优的三元组集合。3.利用现有的少数民族KG和少数民族新闻,基于Neo4j图数据库实现时序KG的增量构建可视化原型系统,将少数民族新闻中的新三元组增量更新到现有KG中,从而让用户直观了解该民族的相关知识以及语义查询。最后,在Wikidata、CN-DBpedia和Freebase数据集上,对本文所提出的方法进行了效率及有效性测试,并与现有的知识图谱补全（Knowledge Graph Completion,KGC）方法进行了比较。实验结果表明,相比其他现有模型,本文方法能够快速地提取出最优三元组并且有效地把它们添加到现有KG中,验证了本文所提出方法的高效性和有效性。